AlbertStudy.github.io/index.html at master · AlbertStudy/AlbertStudy.github.io

History

2309 lines (966 loc) · 122 KB

Raw

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

194

195

196

197

198

199

200

201

202

203

204

205

206

207

208

209

210

211

212

213

214

215

216

217

218

219

220

221

222

223

224

225

226

227

228

229

230

231

232

233

234

235

236

237

238

239

240

241

242

243

244

245

246

247

248

249

250

251

252

253

254

255

256

257

258

259

260

261

262

263

264

265

266

267

268

269

270

271

272

273

274

275

276

277

278

279

280

281

282

283

284

285

286

287

288

289

290

291

292

293

294

295

296

297

298

299

300

301

302

303

304

305

306

307

308

309

310

311

312

313

314

315

316

317

318

319

320

321

322

323

324

325

326

327

328

329

330

331

332

333

334

335

336

337

338

339

340

341

342

343

344

345

346

347

348

349

350

351

352

353

354

355

356

357

358

359

360

361

362

363

364

365

366

367

368

369

370

371

372

373

374

375

376

377

378

379

380

381

382

383

384

385

386

387

388

389

390

391

392

393

394

395

396

397

398

399

400

401

402

403

404

405

406

407

408

409

410

411

412

413

414

415

416

417

418

419

420

421

422

423

424

425

426

427

428

429

430

431

432

433

434

435

436

437

438

439

440

441

442

443

444

445

446

447

448

449

450

451

452

453

454

455

456

457

458

459

460

461

462

463

464

465

466

467

468

469

470

471

472

473

474

475

476

477

478

479

480

481

482

483

484

485

486

487

488

489

490

491

492

493

494

495

496

497

498

499

500

501

502

503

504

505

506

507

508

509

510

511

512

513

514

515

516

517

518

519

520

521

522

523

524

525

526

527

528

529

530

531

532

533

534

535

536

537

538

539

540

541

542

543

544

545

546

547

548

549

550

551

552

553

554

555

556

557

558

559

560

561

562

563

564

565

566

567

568

569

570

571

572

573

574

575

576

577

578

579

580

581

582

583

584

585

586

587

588

589

590

591

592

593

594

595

596

597

598

599

600

601

602

603

604

605

606

607

608

609

610

611

612

613

614

615

616

617

618

619

620

621

622

623

624

625

626

627

628

629

630

631

632

633

634

635

636

637

638

639

640

641

642

643

644

645

646

647

648

649

650

651

652

653

654

655

656

657

658

659

660

661

662

663

664

665

666

667

668

669

670

671

672

673

674

675

676

677

678

679

680

681

682

683

684

685

686

687

688

689

690

691

692

693

694

695

696

697

698

699

700

701

702

703

704

705

706

707

708

709

710

711

712

713

714

715

716

717

718

719

720

721

722

723

724

725

726

727

728

729

730

731

732

733

734

735

736

737

738

739

740

741

742

743

744

745

746

747

748

749

750

751

752

753

754

755

756

757

758

759

760

761

762

763

764

765

766

767

768

769

770

771

772

773

774

775

776

777

778

779

780

781

782

783

784

785

786

787

788

789

790

791

792

793

794

795

796

797

798

799

800

801

802

803

804

805

806

807

808

809

810

811

812

813

814

815

816

817

818

819

820

821

822

823

824

825

826

827

828

829

830

831

832

833

834

835

836

837

838

839

840

841

842

843

844

845

846

847

848

849

850

851

852

853

854

855

856

857

858

859

860

861

862

863

864

865

866

867

868

869

870

871

872

873

874

875

876

877

878

879

880

881

882

883

884

885

886

887

888

889

890

891

892

893

894

895

896

897

898

899

900

901

902

903

904

905

906

907

908

909

910

911

912

913

914

915

916

917

918

919

920

921

922

923

924

925

926

927

928

929

930

931

932

933

934

935

936

937

938

939

940

941

942

943

944

945

946

947

948

949

950

951

952

953

954

955

956

957

958

959

960

961

962

963

964

965

966

967

968

969

970

971

972

973

974

975

976

977

978

979

980

981

982

983

984

985

986

987

988

989

990

991

992

993

994

995

996

997

998

999

1000

<!DOCTYPE html>

<head>

var NexT = window.NexT || {};

var CONFIG = {

root: '/',

scheme: 'Pisces',

sidebar: {"position":"left","display":"post","offset":12,"offset_float":12,"b2t":false,"scrollpercent":false,"onmobile":false},

fancybox: true,

tabs: true,

motion: true,

duoshuo: {

userId: '0',

author: '博主'

algolia: {

applicationID: '',

apiKey: '',

indexName: '',

hits: {"per_page":10},

labels: {"input_placeholder":"Search for Posts","hits_empty":"We didn't find any results for the search: ${query}","hits_stats":"${hits} results found in ${time} ms"}

}

};

</script>

</head>

<div class="container sidebar-position-left

page-home

学无止境

</a>

</div>

黑发不知勤学早，白首方悔读书迟。

</div>

</button>

</div>

首页

</a>

</li>

分类

</a>

</li>

归档

</a>

</li>

标签

</a>

</li>

关于

</a>

</li>

公益404

</a>

</li>

</ul>

</nav>

</div>

</header>

<a class="post-title-link" href="/2018/06/14/Trie树/" itemprop="url">Trie树</a></h1>

发表于

2018-06-14

</time>

|

分类于

常用算法

</a>

</div>

</header>

<h4 id="一、知识简介"><a href="#一、知识简介" class="headerlink" title="一、知识简介"></a>一、知识简介</h4> Trie树，又称单词查找树或键树，是一种树形结构，是一种哈希树的变种。典型应用是用于统计和排序大量的字符串（但不仅限于字符串），所以经常被搜索引擎系统用于文本词频统计。它的优点是：最大限度地减少无谓的字符串比较，查询效率比哈希表高。

<h5 id="Trie树优点："><a href="#Trie树优点：" class="headerlink" title="Trie树优点："></a>Trie树优点：</h5>Trie 的强大之处就在于它的时间复杂度。它的插入和查询时间复杂度都为 O(k) ，其中 k 为 key 的长度，与 Trie 中保存了多少个元素无关。Hash 表号称是 O(1) 的，但在计算 hash 的时候就肯定会是 O(k) ，而且还有碰撞之类的问题。

<h5 id="Trie树缺点："><a href="#Trie树缺点：" class="headerlink" title="Trie树缺点："></a>Trie树缺点：</h5>Trie 的缺点是空间消耗很高。

Trie的核心思想是空间换时间。利用字符串的公共前缀来降低查询时间的开销以达到提高效率的目的。

<h5 id="Trie树有一些特性："><a href="#Trie树有一些特性：" class="headerlink" title="Trie树有一些特性："></a>Trie树有一些特性：</h5>1）根节点不包含字符，除根节点外每一个节点都只包含一个字符。 2）从根节点到某一节点，路径上经过的字符连接起来，为该节点对应的字符串。 3）每个节点的所有子节点包含的字符都不相同。 4）如果字符的种数为n，则每个结点的出度为n，这也是空间换时间的体现，浪费了很多的空间。 5）插入查找的复杂度为O(n)，n为字符串长度。

<h5 id="基本思想（以字母树为例）："><a href="#基本思想（以字母树为例）：" class="headerlink" title="基本思想（以字母树为例）："></a>基本思想（以字母树为例）：</h5>1、插入过程 对于一个单词，从根开始，沿着单词的各个字母所对应的树中的节点分支向下走，直到单词遍历完，将最后的节点标记为红色，表示该单词已插入Trie树。 2、查询过程 同样的，从根开始按照单词的字母顺序向下遍历trie树，一旦发现某个节点标记不存在或者单词遍历完成而最后的节点未标记为红色，则表示该单词不存在，若最后的节点标记为红色，表示该单词存在。

<h5 id="应用"><a href="#应用" class="headerlink" title="应用"></a>应用</h5>词频统计 比直接用hash节省空间 搜索提示 输入前缀的时候提示可以构成的词 作为辅助结构 如后缀树，AC自动机等的辅助结构 <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 </pre></td><td class="code"><pre>coding:utf-8 """ Implement a trie with insert, search, and startsWith methods. Note: You may assume that all inputs are consist of lowercase letters a-z. Subscribe to see which companies asked this question """ class TrieNode(object): def __init__(self): """ Initialize your data structure here. """ self.data = {} self.is_word = False class Trie(object): def __init__(self): self.root = TrieNode() def insert(self, word): """ Inserts a word into the trie. :type word: str :rtype: void """ node = self.root for letter in word: child = node.data.get(letter) if not child: node.data[letter] = TrieNode() node = node.data[letter] node.is_word = True def search(self, word): """ Returns if the word is in the trie. :type word: str :rtype: bool """ node = self.root for letter in word: node = node.data.get(letter) if not node: return False return node.is_word # 判断单词是否是完整的存在在trie树中 def starts_with(self, prefix): """ Returns if there is any word in the trie that starts with the given prefix. :type prefix: str :rtype: bool """ node = self.root for letter in prefix: node = node.data.get(letter) if not node: return False return True def get_start(self, prefix): """ Returns words started with prefix :param prefix: :return: words (list) """ def _get_key(pre, pre_node): words_list = [] if pre_node.is_word: words_list.append(pre) for x in pre_node.data.keys(): words_list.extend(_get_key(pre + str(x), pre_node.data.get(x))) return words_list words = [] if not self.starts_with(prefix): return words if self.search(prefix): words.append(prefix) return words node = self.root for letter in prefix: node = node.data.get(letter) return _get_key(prefix, node) # Your Trie object will be instantiated and called as such: trie = Trie() trie.insert("somestring") trie.insert("somebody") trie.insert("somebody1") trie.insert("somebody3") print trie.search("key") print trie.search("somebody3") print trie.get_start('some') </pre></td></tr></table></figure>

<h5 id="海量数据情况下，trie树的应用"><a href="#海量数据情况下，trie树的应用" class="headerlink" title="海量数据情况下，trie树的应用"></a>海量数据情况下，trie树的应用</h5>适用范围：数据量大，重复多，但是数据种类小可以放入内存 基本原理及要点：实现方式，节点孩子的表示方式 1、一个文本文件，大约有一万行，每行一个词，要求统计出其中最频繁出现的前10个词，请给出思想，给出时间复杂度分析. 答：先用trie树统计每个词出现的次数，时间复杂度是O(nle)（le表示单词的平均长度）; 然后是用小顶堆找出出现最频繁的前10个词，时间复杂度是O(nlg10)。

2、寻找热门查询 原题：搜索引擎会通过日志文件把用户每次检索使用的所有检索串都记录下来，每个查询串的长度为1-255字节。假设目前有一千万个记录，这些查询串的重复读比较高，虽然总数是1千万，但是如果去除重复和，不超过3百万个。一个查询串的重复度越高，说明查询它的用户越多，也就越热门。请你统计最热门的10个查询串，要求使用的内存不能超过1G。 答：利用trie树，关键字域存该查询串出现的次数，没有出现为0。最后用10个元素的最小推来对出现频率进行排序。

3.1000万字符串，其中有些是相同的(重复),需要把重复的全部去掉，保留没有重复的字符串。 答：使用hash_map或者trie树。 比如trie树，在构建trie树的过程中，如果某个字符串已经存在于trie中则不输出，否则输出到文本中，这样就可以得到不重复的字符串。 hash_map的速度会要快一些，因为在添加一个字符串的时候，hashmap直接用哈希函数就能定位，然后选择是否写入文件，但是trie树需要在子节点中比较。 trie树对hashmap的优势是，在大量重复的单词中，trie树需要的内存会低一些

</div>

</footer>

</div>

</article>

<a class="post-title-link" href="/2018/02/06/Pandas手记（2）/" itemprop="url">Pandas手记（2）</a></h1>

发表于

2018-02-06

</time>

|

分类于

常用机器学习库

</a>

</div>

</header>

继上一篇文章简要介绍了Pandas的Series和DataFrame结构之后，这块文章重点介绍一下Pandas的核心DataFrame结构的常用操作。

DataFrame的删除操作： <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 </pre></td><td class="code"><pre>>>> data = DataFrame(np.arange(16).reshape((4, 4)), ... index=['Ohio', 'Colorado', 'Utah', 'New York'], ... columns=['one', 'two', 'three', 'four']) >>> data one two three four Ohio 0 1 2 3 Colorado 4 5 6 7 Utah 8 9 10 11 New York 12 13 14 15 >>> print(data.drop(['Colorado', 'Ohio'])) one two three four Utah 8 9 10 11 New York 12 13 14 15 >>> print(data.drop('two', axis=1)) one three four Ohio 0 2 3 Colorado 4 6 7 Utah 8 10 11 New York 12 14 15 >>> print(data.drop(['two', 'four'], axis=1)) one three Ohio 0 2 Colorado 4 6 Utah 8 10 New York 12 14 </pre></td></tr></table></figure>

数据过滤 <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 </pre></td><td class="code"><pre>>>> print data[data.three < 10] # three列上值大于等于10的行扔掉，小于的保留。 one two three four Ohio 0 1 2 3 Colorado 4 5 6 7 >>> data one two three four Ohio 0 1 2 3 Colorado 4 5 6 7 Utah 8 9 10 11 New York 12 13 14 15 >>> print data.loc[data.three < 5, ] one two three four Ohio 0 1 2 3 >>> data[data > 10] = 0 >>> data one two three four Ohio 0 1 2 3 Colorado 4 5 6 7 Utah 8 9 10 0 New York 0 0 0 0 >>> data + 100 one two three four Ohio 100 101 102 103 Colorado 104 105 106 107 Utah 108 109 110 100 New York 100 100 100 100 >>> # DataFrame和Series的计算 ... frame = DataFrame(np.arange(12.).reshape((4, 3)), ... columns=list('bde'), ... index=['Utah', 'Ohio', 'Texas', 'Oregon']) >>> s = frame.iloc[0] >>> print(frame) b d e Utah 0.0 1.0 2.0 Ohio 3.0 4.0 5.0 Texas 6.0 7.0 8.0 Oregon 9.0 10.0 11.0 >>> print(s) b 0.0 d 1.0 e 2.0 Name: Utah, dtype: float64 >>> print(frame - s) # 每一行减去对应的s，本质上每一行在对应的索引位置上相减。 b d e Utah 0.0 0.0 0.0 Ohio 3.0 3.0 3.0 Texas 6.0 6.0 6.0 Oregon 9.0 9.0 9.0 </pre></td></tr></table></figure>

</div>

</footer>

</div>

</article>

<a class="post-title-link" href="/2018/02/05/Pandas手记（1）/" itemprop="url">Pandas手记（1）</a></h1>

发表于

2018-02-05

</time>

|

分类于

常用机器学习库

</a>

</div>

</header>

概述：pandas含有使数据分析工作变得更快更简单的高级数据结构和操作工具，pandas是基于Numpy构建的。pandas在过去的几年中逐渐成长为一个非常强大的库。

<h2 id="Pandas的数据结构介绍"><a href="#Pandas的数据结构介绍" class="headerlink" title="Pandas的数据结构介绍"></a>Pandas的数据结构介绍</h2>Pandas的数据结构主要有两个：Series和DataFrame. 引入pandas <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 </pre></td><td class="code"><pre>>>> from pandas import Series,DataFrame >>> import pandas as pd </pre></td></tr></table></figure>

<h3 id="Series"><a href="#Series" class="headerlink" title="Series"></a>Series</h3> Series是一种类似于一维数组的对象，它由一组数据（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成。仅由一组数据即可产生最简单的Series: <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 </pre></td><td class="code"><pre>>>> obj = Series([4,7,-5,3]) >>> obj 0 4 1 7 2 -5 3 3 dtype: int64 </pre></td></tr></table></figure>

Series的字符串表现形式为：索引在左边，值在右边。你可以通过Series的values和index属性获取其数组表现形式和索引对象： <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 </pre></td><td class="code"><pre>>>> obj.values array([ 4, 7, -5, 3], dtype=int64) >>> obj.index RangeIndex(start=0, stop=4, step=1) </pre></td></tr></table></figure>

Series带有一个可以对各个数据点进行标记的索引： <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 </pre></td><td class="code"><pre>>>> obj2 = Series([4,7,-5,3],index=['d','b','a','c']) >>> obj2 d 4 b 7 a -5 c 3 dtype: int64 </pre></td></tr></table></figure>

与Numpy相比，Series既可以通过下标也可以通过索引方式选取Series的单个或者一组值： <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 </pre></td><td class="code"><pre>>>> obj2[1] 7 >>> obj2['b'] 7 >>> obj2[['a','b']] #注意这里是双层[] a -5 b 7 dtype: int64 </pre></td></tr></table></figure>

Numpy数组运算都会保留索引和值之间的链接： <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 </pre></td><td class="code"><pre>>>> obj2 * 2 d 8 b 14 a -10 c 6 </pre></td></tr></table></figure>

还可以将Series看成是定长的有序字典，因为它是索引值到数据值的一个映射： <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 </pre></td><td class="code"><pre>>>> 'b' in obj2 True </pre></td></tr></table></figure>

如果数据存放在Python字典中，可以直接转成Series： <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 </pre></td><td class="code"><pre>>>> sdata = {'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000} >>> obj3 = Series(sdata) # 使用字典初始化Series，但是顺序没有保证。 >>> obj3 Ohio 35000 Oregon 16000 Texas 71000 Utah 5000 dtype: int64 </pre></td></tr></table></figure>

如果使用字典和索引数组结合可以保证顺序： <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 </pre></td><td class="code"><pre>>>> states = ['California', 'Ohio', 'Oregon', 'Texas', 'Utah', 'New Jersy'] >>> obj4 = Series(sdata, index=states) # 字典和索引数组结合保证顺序 >>> obj4 California NaN Ohio 35000.0 Oregon 16000.0 Texas 71000.0 Utah 5000.0 New Jersy NaN dtype: float64 </pre></td></tr></table></figure>

NaN(非数字)，在pandas中，它代表缺失或NA值。使用缺失（missing）或NA表示缺失数据。pandas的isnull和notnull函数可以用于检测缺失数据。 <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 </pre></td><td class="code"><pre>>>> pd.isnull(obj4) # 检测缺失值 California True Ohio False Oregon False Texas False Utah False New Jersy True dtype: bool >>> obj4.isnull() California True Ohio False Oregon False Texas False Utah False New Jersy True dtype: bool </pre></td></tr></table></figure>

Series的一个重要功能是：它在算术运算中会自动地对其不同索引的数据 Series对应索引位置相加，对不上的设置为None: <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 </pre></td><td class="code"><pre>>>> obj4 California NaN Ohio 35000.0 Oregon 16000.0 Texas 71000.0 Utah 5000.0 New Jersy NaN dtype: float64 </pre></td></tr></table></figure>

Series对象本身及索引都有一个name的属性，该属性跟pandas其他的关键功能关系非常密切: <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 </pre></td><td class="code"><pre>>>> obj4.name = 'population' # 给Series起名 >>> obj4.index.name = 'state' # 给Series的index起名 >>> obj4 state California NaN Ohio 35000.0 Oregon 16000.0 Texas 71000.0 Utah 5000.0 New Jersy NaN Name: population, dtype: float64 </pre></td></tr></table></figure>

Series指定索引顺序和指定填充值： <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 </pre></td><td class="code"><pre> >>> obj = Series([4.5, 7.2, -5.3, 3.6], index=['d', 'b', 'a', 'c']) >>> obj2 = obj.reindex(['a', 'b', 'c', 'd', 'e']) # 指定索引顺序 >>> obj2 a -5.3 b 7.2 c 3.6 d 4.5 e NaN dtype: float64 >>> obj.reindex(['a', 'b', 'c', 'd', 'e'], fill_value=obj.mean()) # 指定填充值 a -5.3 b 7.2 c 3.6 d 4.5 e 2.5 dtype: float64 </pre></td></tr></table></figure>

Series指定填充方式： <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 </pre></td><td class="code"><pre>>>> obj3 = Series(['blue', 'purple', 'yellow'], index=[0, 2, 4]) >>> obj3.reindex(range(6), method='ffill') # 指定填充方式为ffill 0 blue 1 blue 2 purple 3 purple 4 yellow 5 yellow dtype: object </pre></td></tr></table></figure>

Series根据值排序： <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 </pre></td><td class="code"><pre>>>> obj = Series([4, 7, -3, 2]) >>> obj.sort_values() # 根据值排序 2 -3 3 2 0 4 1 7 dtype: int64 </pre></td></tr></table></figure>

Series根据索引排序： <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 </pre></td><td class="code"><pre>>>> index = ['d', 'c', 'a', 'b'] >>> obj = Series([4, 7, -3, 2], index=index) >>> index = sorted(index) >>> obj = obj.reindex(index) >>> obj a -3 b 2 c 7 d 4 dtype: int64 </pre></td></tr></table></figure>

Series的索引也可以通过赋值的方式就地修改，也有切片操作: <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 </pre></td><td class="code"><pre>>>> index = ['d', 'c', 'a', 'b', 'f', 'g'] >>> obj = Series([4, 7, -3, 2, 9, 3], index=index) >>> x = obj[1:5] # 左闭右开区间，并且x没有复制生成一个新的Series。 >>> x c 7 a -3 b 2 f 9 dtype: int64 >>> x[2] = 10 >>> obj d 4 c 7 a -3 b 10 f 9 g 3 dtype: int64 >>> obj['c':'f'] c 7 a -3 b 10 f 9 dtype: int64 >>> obj['b':'d':-1] b 10 a -3 c 7 d 4 dtype: int64 </pre></td></tr></table></figure>

<h3 id="DataFrame"><a href="#DataFrame" class="headerlink" title="DataFrame"></a>DataFrame</h3> DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共同用一个索引）。和其他类似的数据结构相比，DataFrame中面向行和面向列的操作基本上是平衡的。其实，DataFrame中的数据是以一个或多个二维块存放的（而不是列表、字典或别的数据结构）

<pre><code>## DataFrame

本质上就是一个二维数组，用index定位行，用columns定位列。

col_1 col_2 ... col_n

index_1 x11 x12 x1n

index_2 x21 x22 x2n

...

index_m xm1 xm2 xmn

房价人口 GDP

上海 ...

北京

天津

</code></pre>构建DataFrame的方法有很多，最常用的方法是直接传入一个由等长列表或Numpy数组组成的字典： <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 </pre></td><td class="code"><pre>>>> data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'], 'year': [2000, 2001, 2002, 2001, 2002], 'pop': [1.5, 1.7, 3.6, 2.4, 2.9]} # key代表列的名字，对应的数组就是这个列的值。 >>> frame = DataFrame(data) >>> frame pop state year 0 1.5 Ohio 2000 1 1.7 Ohio 2001 2 3.6 Ohio 2002 3 2.4 Nevada 2001 4 2.9 Nevada 2002 </pre></td></tr></table></figure>

DataFrame可以指定列的顺序 <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 </pre></td><td class="code"><pre>>>> DataFrame(data, columns=['year', 'state', 'pop']) # 可以指定列的顺序 year state pop 0 2000 Ohio 1.5 1 2001 Ohio 1.7 2 2002 Ohio 3.6 3 2001 Nevada 2.4 4 2002 Nevada 2.9 </pre></td></tr></table></figure>

DataFrame匹配不到的行和列设置为None <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 </pre></td><td class="code"><pre>>>> frame2 = DataFrame(data, columns=['year', 'state', 'pop', 'debt'], # 匹配不到的行和列设置为None index=['one', 'two', 'three', 'four', 'five']) # 使用index指定列 >>> frame2 year state pop debt one 2000 Ohio 1.5 NaN two 2001 Ohio 1.7 NaN three 2002 Ohio 3.6 NaN four 2001 Nevada 2.4 NaN five 2002 Nevada 2.9 NaN </pre></td></tr></table></figure>

DataFrame把列变成索引 <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 </pre></td><td class="code"><pre>>>> frame = DataFrame({'year': [2000, 2001, 2002, 2003, 2004], ... 'sales': [1500, 3700, 2400, 2900, 4900]}) >>> frame sales year 0 1500 2000 1 3700 2001 2 2400 2002 3 2900 2003 4 4900 2004 >>> frame.set_index('year') # 列变成索引 sales year 2000 1500 2001 3700 2002 2400 2003 2900 2004 4900 </pre></td></tr></table></figure>

DataFrame快速访问列 <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 12 13 14 </pre></td><td class="code"><pre>>>> print(frame2.year) # 快速访问列，不管是一行还是一列，返回的是一个Series。 >>> print(frame2['pop']) # 和普通二维数组非常不一样！！！ one 2000 two 2001 three 2002 four 2001 five 2002 Name: year, dtype: int64 one 1.5 two 1.7 three 3.6 four 2.4 five 2.9 Name: pop, dtype: float64 </pre></td></tr></table></figure>

DataFrame通过iloc用数字索引访问行和列（左闭右开区间），ix方法已经被淘汰。 <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 </pre></td><td class="code"><pre>>>> frame2 year state pop debt one 2000 Ohio 1.5 NaN two 2001 Ohio 1.7 NaN three 2002 Ohio 3.6 NaN four 2001 Nevada 2.4 NaN five 2002 Nevada 2.9 NaN >>> print(frame2.iloc[1,]) # 访问第1行 year 2001 state Ohio pop 1.7 debt NaN Name: two, dtype: object >>> print(frame2.iloc[:,2]) # 访问第2列pop one 1.5 two 1.7 three 3.6 four 2.4 five 2.9 Name: pop, dtype: float64 >>> print(frame2.iloc[1:3, 0:3]) #第1/2行，第0/1/2列切片 year state pop two 2001 Ohio 1.7 three 2002 Ohio 3.6 </pre></td></tr></table></figure>

DataFrame通过loc用名字索引访问行和列（闭区间） <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 </pre></td><td class="code"><pre>>>> frame2 year state pop debt one 2000 Ohio 1.5 NaN two 2001 Ohio 1.7 NaN three 2002 Ohio 3.6 NaN four 2001 Nevada 2.4 NaN five 2002 Nevada 2.9 NaN >>> print(frame2.loc['one',]) year 2000 state Ohio pop 1.5 debt NaN Name: one, dtype: object >>> print(frame2.loc['one':'three',]) year state pop debt one 2000 Ohio 1.5 NaN two 2001 Ohio 1.7 NaN three 2002 Ohio 3.6 NaN >>> print(frame2.loc[:,'state']) one Ohio two Ohio three Ohio four Nevada five Nevada Name: state, dtype: object >>> print(frame2.loc['two':'four','year':'debt']) year state pop debt two 2001 Ohio 1.7 NaN three 2002 Ohio 3.6 NaN four 2001 Nevada 2.4 NaN </pre></td></tr></table></figure>

DataFrame使用iloc或loc选择指定的行列组合 <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 </pre></td><td class="code"><pre>>>> frame2 year state pop debt one 2000 Ohio 1.5 NaN two 2001 Ohio 1.7 NaN three 2002 Ohio 3.6 NaN four 2001 Nevada 2.4 NaN five 2002 Nevada 2.9 NaN >>> frame2.iloc[[0, 1, 3], [0, 2]] year pop one 2000 1.5 two 2001 1.7 four 2001 2.4 >>> frame2.loc[['one', 'three', 'four'], ['state', 'pop']] state pop one Ohio 1.5 three Ohio 3.6 four Nevada 2.4 </pre></td></tr></table></figure>

DataFrame使用 二维ndarray可以传入行标和列标 <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 </pre></td><td class="code"><pre>>>> ARR=np.array([[1,2,3,4],[5,6,7,8]]) >>> ff=pd.DataFrame(ARR,columns=list('abcd'),index=['first','second']) >>> ff a b c d first 1 2 3 4 second 5 6 7 8 </pre></td></tr></table></figure>

DataFrame修改列值 <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 </pre></td><td class="code"><pre>>>> frame2['debt'] = 100 # 作用在所有元素上 >>> frame2 year state pop debt one 2000 Ohio 1.5 100 two 2001 Ohio 1.7 100 three 2002 Ohio 3.6 100 four 2001 Nevada 2.4 100 five 2002 Nevada 2.9 100 >>> frame2['debt'] = np.arange(5) # 长度必须一致 >>> frame2 year state pop debt one 2000 Ohio 1.5 0 two 2001 Ohio 1.7 1 three 2002 Ohio 3.6 2 four 2001 Nevada 2.4 3 five 2002 Nevada 2.9 4 >>> frame2['debt'] = Series([-1.2, -1.5, -1.7, 2], index=['two', 'four', 'five', 'six']) # 匹配不到的索引自动扔掉 >>> frame2 year state pop debt one 2000 Ohio 1.5 NaN two 2001 Ohio 1.7 -1.2 three 2002 Ohio 3.6 NaN four 2001 Nevada 2.4 -1.5 five 2002 Nevada 2.9 -1.7 </pre></td></tr></table></figure>

DataFrame按条件添加列值 <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 </pre></td><td class="code"><pre>>>> frame2['eastern'] = (frame2.state == 'Ohio') >>> frame2 year state pop debt eastern one 2000 Ohio 1.5 NaN True two 2001 Ohio 1.7 -1.2 True three 2002 Ohio 3.6 NaN True four 2001 Nevada 2.4 -1.5 False five 2002 Nevada 2.9 -1.7 False >>> frame2['big'] = (frame2['pop'] > 2.5) >>> frame2 year state pop debt eastern big one 2000 Ohio 1.5 NaN True False two 2001 Ohio 1.7 -1.2 True False three 2002 Ohio 3.6 NaN True True four 2001 Nevada 2.4 -1.5 False False five 2002 Nevada 2.9 -1.7 False True </pre></td></tr></table></figure>

DataFrame重新指定行/列索引顺序 <figure class="highlight plain"><table><tr><td class="gutter"><pre>1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 </pre></td><td class="code"><pre>>>> frame = DataFrame(np.arange(9).reshape((3, 3)), ... index=['a', 'c', 'd'], ... columns=['Ohio', 'Texas', 'California']) >>> frame Ohio Texas California a 0 1 2 c 3 4 5 d 6 7 8 >>> frame2 = frame.reindex(['a', 'b', 'c', 'd']) # 数量不用匹配，没有的自动填充NaN。 >>> frame2 Ohio Texas California a 0.0 1.0 2.0 b NaN NaN NaN c 3.0 4.0 5.0 d 6.0 7.0 8.0 >>> states = ['Texas', 'Utah', 'California'] >>> frame3 = frame2.reindex(columns=states) # 重新指定行/列索引顺序 >>> frame3 Texas Utah California a 1.0 NaN 2.0 b NaN NaN NaN c 4.0 NaN 5.0 d 7.0 NaN 8.0 </pre></td></tr></table></figure>

</div>

</footer>

</div>

</article>

<a class="post-title-link" href="/2018/01/03/贝叶斯公式的概率问题/" itemprop="url">贝叶斯公式的概率问题</a></h1>

发表于

2018-01-03

</time>

|

分类于

机器学习

</a>

</div>

</header>

<h3 id="疾病问题"><a href="#疾病问题" class="headerlink" title="疾病问题"></a>疾病问题</h3>假设你去医院检查某项疾病，检查完以后，医生有个好消息和坏消息，坏消息是你的病情呈阳性，而这个测试的准确度是99%，好消息是这是一种罕见的疾病，每10000人中只有1人患病。请问，你患病的几率有多大？ 补充问题：如果你第二次检查还是阳性，你患病的几率有多大？ <img src="/2018/01/03/贝叶斯公式的概率问题/答案.png" alt="答案"> <img src="/2018/01/03/贝叶斯公式的概率问题/编程.png" alt="编程"> 可以得到结果： <img src="/2018/01/03/贝叶斯公式的概率问题/结果.png" alt="结果">

<h3 id="Monty-Hall-问题"><a href="#Monty-Hall-问题" class="headerlink" title="Monty Hall 问题"></a>Monty Hall 问题</h3>游戏参赛者会看见三扇关闭了的门，其中一扇的后面有一辆汽车，选中后面有车的那扇门就可以赢得该汽车，而另外两扇门后面则各藏有一只山羊。当参赛者选定了一扇门，但未去开启它的时候，节目主持人会开启剩下两扇门的其中一扇，露出其中一只山羊。主持人其后会问参赛者要不要换另一扇仍然关上的门。问题是：换另一扇门会否增加参赛者赢得汽车的机会率？ <img src="/2018/01/03/贝叶斯公式的概率问题/图1.png" alt="图1"> <img src="/2018/01/03/贝叶斯公式的概率问题/图2.png" alt="图2">

</div>

</footer>

</div>

</article>

<a class="post-title-link" href="/2018/01/03/nginx实现Neo4j的转发服务/" itemprop="url">nginx实现Neo4j的转发服务</a></h1>

发表于

2018-01-03

</time>

|

分类于

知识图谱

</a>

</div>

</header>

View remainder of file in raw view

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

FilesExpand file tree

index.html

Latest commit

History

index.html

File metadata and controls